論文の概要: Qmes: Quantum Meta-Learning for Encoding Selection in Quantum Kernel Methods

• arxiv url: http://arxiv.org/abs/2609.04652v1
• Date: Fri, 04 Sep 2026 02:34:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.881738
• Title: Qmes: Quantum Meta-Learning for Encoding Selection in Quantum Kernel Methods
• Title（参考訳）: Qmes: 量子カーネルメソッドの選択を符号化するための量子メタラーニング
• Abstract要約: メタ学習を通じて自動的に回路を推奨するオープンソースのPythonパッケージであるQmesを紹介する。 Qmesは古典的な複雑性尺度を使ってデータセットを特徴付け、トレーニング済みのモデルをクエリして回路を推奨する。 Qmesを105の分類と86の回帰ベンチマークデータセットで検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Selecting an effective encoding quantum circuit is a key challenge in quantum kernel methods because different feature maps can lead to different performance. Conventional methods require constructing and evaluating every circuit for each new dataset, making it computationally expensive. We present Qmes, an open-source Python package that automatically recommends circuits through meta-learning. Qmes characterizes a dataset using classical complexity measures and queries a pre-trained model to recommend circuits without quantum evaluation at inference time. The package provides modular components for meta-feature extraction, quantum-kernel evaluation, recommender training, model selection, and user-defined circuit extension. We validate Qmes on 105 classification and 86 regression benchmark datasets. Qmes reduces the mean recommendation regret by 2.2x and 4.2x for classification and regression, respectively, compared to a non-adaptive baseline, with statistical significance confirmed via a paired Wilcoxon signed-rank test ($p < 10^{-4}$). Qmes thus enables efficient and practical encoding-circuit selection for quantum kernel methods.
• Abstract（参考訳）: 効率的な符号化量子回路の選択は、異なる特徴写像が異なる性能をもたらすため、量子カーネル法において重要な課題である。 従来の手法では、新しいデータセットごとに全ての回路を構築し、評価する必要があるため、計算コストがかかる。 メタ学習を通じて自動的に回路を推奨するオープンソースのPythonパッケージであるQmesを紹介する。 Qmesは、古典的な複雑性尺度を使用してデータセットを特徴付け、トレーニング済みのモデルをクエリして、推論時に量子評価なしで回路を推奨する。 このパッケージは、メタ機能抽出、量子カーネル評価、レコメンデータトレーニング、モデル選択、ユーザ定義回路拡張のためのモジュールコンポーネントを提供する。 Qmesを105の分類と86の回帰ベンチマークデータセットで検証する。 キュームは、分類と回帰において平均的レコメンデーションを2.2xと4.2xに減らし、非適応的ベースラインと比較し、ウィルコクソンの符号付きランクテスト(p < 10^{-4}$)によって統計的に有意性を確認した。 したがって、Qmesは量子カーネル法における効率的かつ実用的な符号化回路選択を可能にする。

関連論文リスト

• Towards Fair Benchmarking of Quantum Transfer Learning for Visual Classification [2.417944170423441]
  Quantum Transfer Learningは、短期的制約下でのビジュアル量子機械学習に有望なアプローチを提供する。 既存のQTL結果を比較するのは難しいのは、データセット、前処理、バックボーン設定、キュービット予算、回路設計、最適化の選択、レポートプロトコルが異なるためである。 本研究は,一貫したトランスファーラーニングパイプラインの下で,代表的QTL手法を評価するための,制御されたベンチマーク手法を提案する。
  論文  参考訳（メタデータ） (2026-05-19T06:10:32Z)
• Towards Automated Selection of Quantum Encoding Circuits via Meta-Learning [0.0]
  本稿では,固有データセットの特性を利用して最適な符号化回路を推定する自動レコメンデータを提案する。 9つの候補が、機能として機能する24の古典的な複雑性メトリクスとともに評価され、14の機械学習モデルとともに、4つの構成を持つ2つのトレーニングアプローチを通じて評価される。 どちらの手法も、最高性能の符号化回路を特定する上で最高85.7%のTop-3精度を実現し、古典的なデータ複雑性メトリクスが回路選択に十分な予測信号を提供することを示した。
  論文  参考訳（メタデータ） (2026-04-21T04:37:38Z)
• Graph-Based Bayesian Optimization for Quantum Circuit Architecture Search with Uncertainty Calibrated Surrogates [2.271697926182248]
  本稿では,変分量子回路の発見と改良を行う自動フレームワークを提案する。 回路はグラフとして表現され、期待される改善獲得関数を介して変更され、選択される。 GNN誘導パイプラインは、回路の複雑さが低く、より優れた分類精度の回路を見つける。
  論文  参考訳（メタデータ） (2025-12-10T12:23:04Z)
• QMetric: Benchmarking Quantum Neural Networks Across Circuits, Features, and Training Dimensions [0.0]
  本稿では,量子回路の表現性を評価するための解釈可能なメトリクスセットを提供するPythonパッケージQMetricを紹介する。 QMetricは、回路の忠実度、絡み合いエントロピー、バレンプラトーリスク、トレーニング安定性などの重要な側面を定量化する。
  論文  参考訳（メタデータ） (2025-06-30T12:12:01Z)
• RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
  変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。 与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。 量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
  論文  参考訳（メタデータ） (2025-06-04T08:30:35Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Data Complexity Measures for Quantum Circuits Architecture Recommendation [55.74527632797241]
  量子パラメトリック回路は、量子回路のサイズを減らす代替として構築される。 与えられた問題の最適回路を決定することは 未解決の問題です 本研究では,分類問題に対する量子回路レコメンデーションアーキテクチャを,データベースの複雑性尺度を用いて提案する。
  論文  参考訳（メタデータ） (2025-02-21T01:17:24Z)
• Integrated Encoding and Quantization to Enhance Quanvolutional Neural Networks [2.789685107745028]
  準進化モデルの効率性を高めるための2つの方法を提案する。 まず,任意の符号化手法に適用可能なメモ化を用いたフレキシブルなデータ量子化手法を提案する。 第2に、単一回路における符号化と処理のステップを組み合わせた、新たな統合符号化戦略を導入する。
  論文  参考訳（メタデータ） (2024-10-08T07:57:13Z)
• Automatic and effective discovery of quantum kernels [41.61572387137452]
  量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。 本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。 その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
  論文  参考訳（メタデータ） (2022-09-22T16:42:14Z)
• Transfer Learning in Quantum Parametric Classifiers: An Information-Theoretic Generalization Analysis [42.275148861039895]
  古典的な入力を持つ量子機械学習における重要なステップは、入力を量子状態にマッピングする埋め込み回路の設計である。 本稿では,任意のパラメトリック量子回路を用いて古典-量子埋め込みを行う移動学習環境について検討する。
  論文  参考訳（メタデータ） (2022-01-17T09:28:13Z)
• Machine Learning Optimization of Quantum Circuit Layouts [63.55764634492974]
  本稿では量子回路マッピングQXXとその機械学習バージョンQXX-MLPを紹介する。 後者は、レイアウトされた回路の深さが小さくなるように最適なQXXパラメータ値を自動的に推論する。 近似を用いてレイアウト法を学習可能な経験的証拠を提示する。
  論文  参考訳（メタデータ） (2020-07-29T05:26:19Z)
• QUANTIFY: A framework for resource analysis and design verification of quantum circuits [69.43216268165402]
  QUINTIFYは、量子回路の定量的解析のためのオープンソースのフレームワークである。 Google Cirqをベースにしており、Clifford+T回路を念頭に開発されている。 ベンチマークのため、QUINTIFYは量子メモリと量子演算回路を含む。
  論文  参考訳（メタデータ） (2020-07-21T15:36:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。